https://www.zhihu.com/question/28385679

https://github.com/Yangqing/caffe/wiki/Convolution-in-Caffe:-a-memo

作者賈揚清親自解釋了這個問題。Caffe框架是他在研究生畢業畢業前兩個月的時間寫的，自然有一些缺點（占用內存方面）。其實卷積是很難優化的，因為我們一般是在單通道的圖像和單個濾波器之間進行卷積，但是深度學習中是多核多通道卷積。

對通道為C，高和寬分別為H、W的圖像，在每一個位置上，劃分一個KxK大小的patch，算上通道數，那就是CxKxK大小的patch，一共有HxW個patch：

這樣就完成了由圖像到矩陣的轉化，這種操作在matlab中叫做im2col。需要注意的是，因為每一個像素點都對應一個patch，可以看成patch區域在圖像上滑動，滑動的過程是有重疊的，轉化所得的矩陣大小大于原圖像。

與此同時，我們也要將濾波器轉化成矩陣形式。

這樣，卷積就可以轉化為矩陣乘法（Gemm in BLAS）問題，調用GEMM（GEneralized Matrix Multiplication）對兩矩陣內積。BLAS有許多性能優良的庫，而且由分銷商Intel和Nvidia針對所有平臺進行優化。

以上，就是作者上學期間采用的一種討巧的方法，將問題轉換成更加簡單的，已經可以解決的問題。在當時取得了很好的效果，直到Alex Krizhevsky基于對GPU的深刻理解，在cuda-convert中又取得了巨幅的提升，這種方法被碾壓，這就是另外一個故事了。https://code.google.com/p/cuda-convnet2/

總結

以上是生活随笔為你收集整理的Caffe中的卷积实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。